Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract: This brief document shows in a simple and direct way the estimation of
the market shares that mobile operators will have in the long term, understanding
as a long term that situation in which the market shares oscillate in very small
variations. To achieve this goal, the so-called Markov Chains are used, where the
Transition Matrices are formed through the states of migration between companies
using the Mobile Number Portability (PNM) process. The conclusions of this paper
indicate that in the long term Telefónica del Perú will have the largest market share
(36.4 %), followed by América Móvil, (35 %); and finally Entel (17.4 %) and Viettel
(11.2 %).
Keywords: Markov Chains; market shares; mobile telephony.
Los
c autores. Este artı́culo es publicado por la Revista PESQUIMAT de la Facultad de Ciencias Matemáticas, Universidad Nacional Ma-
yor de San Marcos. Este es un artı́culo de acceso abierto, distribuido bajo los términos de la licencia Creative Commons Atribucion-No
Comercia-Compartir Igual 4.0 Internacional.(http://creativecommons.org/licenses/by-nc-sa/4.0/) que permite el uso no comercial, distribu-
ción y reproducción en cualquier medio, siempre que la obra original sea debidamente citada. Para información, por favor póngase en contacto
con revistapesquimat.matematica@unmsm.edu.pe
1
UNMSM, Facultad de Ciencias Matemáticas, e-mail: manuel.gavilano@unmsm.edu.pe
2
UNCP, Facultad de Economı́a, e-mail: nikolaieliastovar@gmail.com
51
Gavilano Aspillaga y Tovar Soto
1. Introducción
Una Cadena de Markov es un proceso estocástico que satisface la propiedad Markoviana, la
cual establece que el pasado y el futuro son independientes cuando se conoce el presente. Esto es,
si se conoce el estado presente de un proceso, la información adicional del proceso en el pasado
no es útil para realizar la mejor predicción de su futuro. (Esto se detalla muy brevemente en la
sección 3 de este documento).
En la actualidad, las Cadenas de Markov vienen siendo utilizadas ampliamente en distintos
campos de las ciencias. En este documento, se emplean dos versiones de Cadenas de Markov
para cumplir con los siguientes propósitos en el mercado de la telefonı́a móvil1 :
Cadenas de Markov Homogénea, las cuales permiten estimar las cuotas de merca-
do que las empresas operadoras tendrı́an en el largo plazo, considerando las condiciones
actuales (por ejemplo, la migración entre empresas operadoras producto de la PNM2 ).
Es importante resaltar que los objetivos mencionados ya han sido aplicados en mercados
de telecomunicaciones de otros paı́ses, por lo que el objetivo del documento es aplicarlo al
caso peruano. Ası́, Ching [1] utiliza Cadenas de Markov para pronosticar las participaciones de
mercado a partir de datos simulados; Gomewa et al. [4] analizaron el comportamiento dinámico
de la PNM por parte de los usuarios del mercado móvil en Nigeria, y estiman las participaciones
de mercado de largo plazo; por su parte, Mendoza et al. [5] realizaron un estudio similar para el
caso del mercado móvil mexicano.
A diferencia de otras técnicas que predicen a partir de sus propios valores pasados, las
Cadenas de Markov son relevantes toda vez que considera tanto información presente como
las interrelaciones que pueda existir con otras series. De este modo, las Cadenas de Markov
son sistemáticas (debido a que abordan todos los flujos posibles entre estados a través de las
Matrices de Transición) y no se limita en las estructuras causales del sistema, por lo que no es
necesario recurrir a métodos econométricos tradicionales.
de la PNM y el desbloqueo de equipos terminales que la intensidad competitiva por parte de las
empresas operadoras se incrementó rápidamente (vı́a una reducción de los costos de traspaso).
Esto se observa claramente en la evolución de las participaciones de mercado (Ver Figura 1).
3. Marco Teórico
Si bien existen diversas versiones de Cadenas de Markov para predecir valores futuros o para
estimar participaciones de mercado de largo plazo, es necesario resaltar que estas deben ser
aplicadas dependiendo del contexto por el que atraviesa el mercado analizado. La importancia
del empleo de Cadenas de Markov -frente a otras metodologı́as- recae en que este es un proceso
sistemático y utiliza información presente de distintos estados.
En este documento se emplea la versión de las Cadenas de Markov más utilizada para estimar
las participaciones de mercado de largo plazo (versión homogénea) y la versión de Cadenas de
Markov para estimar las participaciones en el corto plazo (versión variante en el tiempo).
Se puede ver claramente que es un proceso sin memoria o Cadena de Markov de primer orden.
Por otro lado, se dice que es homogénea porque las probabilidades de transición son invariantes
en el tiempo,
P {Xt+1 = j | Xt = i} = pi,j
La probabilidad pi,j representa la posibilidad de que un usuario de determinada empresa
operadora i migre a j en el siguiente periodo. Luego, las distintas probabilidades de transición
entre diferentes empresas operadoras, se pueden agrupar en una matriz cuadrada de orden de 4,
la cual es llamada Matriz de Transición4 .
p1,1 p1,2 p1,3 p1,4
p2,1 p2,2 p2,3 p2,4
P= p3,1 p3,2 p3,3 p3,4
La propiedad que debe cumplir la Matriz de Transición es que el conjunto de estados deben
ser mutuamente excluyentes, por lo que la suma de probabilidades (por fila o columna) siempre
debe ser igual a 1. El caso presentado es de una Matriz de Transición por filas.
El vector de condiciones iniciales es estimado sobre la base de datos históricos, el cual se
define por Y1 . Dado que se trata de participaciones de mercado, se debe cumplir -por el axioma
de completitud- que la suma de componentes de este vector sea 1.
Y1 = y1 y2 y3 y4
4
En adelante, todas las expresiones matemáticas en negrita representarán matrices.
Una vez obtenidos los insumos mencionados, la predicción de las participaciones de mercado
para el periodo siguiente se obtiene de la siguiente manera.
Yt+1 = Yt × P
Empleando esta ecuación de manera recursiva conjuntamente con el vector de condiciones
iniciales, se obtiene la predicción para cualquier punto deseado en el tiempo:
Yt+1 = Y1 × Pt (1)
Bajo el supuesto de homogeneidad de la matriz de transición se obtiene las participaciones
de mercado de largo plazo o estacionarias. Siendo Q el vector de participaciones de mercado de
largo plazo de cada empresa operadora, esta debe cumplir lo siguiente:
4
X
Q×P=Q sujeto a: qi = 1, (2)
i=1
Y 2 = Y 1 × P1
Y3 = Y1 × P1 × P2
..
. (3)
t
Y
Yt+1 = Y1 × P1 × P2 . . . Pt = Y1 Pn
n=1
Los elementos que aparecen sombreados en la Tabla 1 (aii ) representan la cantidad de lı́neas
móviles en servicio que tenı́a cada empresa operadora al final del periodo anterior (para este caso,
en febrero de 2018). El resto de valores registrados en la Tabla 1 son los movimientos agregados de
la migración de las lı́neas móviles en servicio entre las distintas empresas operadoras, de tal modo
que el elemento [a1,2 =(836,004)] (en fila 1-columna 2) se interpreta como el número de lı́neas
móviles que migraron de Entel hacia América Móvil en el transcurso de los meses señalados.
Mientras que la última fila de la tabla muestra las participaciones de mercado iniciales de cada
empresa operadora.
Y1 = 0.1793 0.3227 0.3692 0.1288
A partir de la tabla anterior se obtiene la Matriz de Transición por filas (ver Tabla 2). El
procedimiento a seguir es convertir las frecuencias absolutas en frecuencias relativas. Por ejemplo,
el elemento p1,2 puede ser estimado mediante el siguiente ratio:
836, 004
p1,2 = = 0.101335
8, 249, 919
Si se aplica la misma operación para el resto de elementos se completa la Matriz de Transición
P (Tabla 2), la misma que debe cumplir con los requisitos ya señalados.
Luego, para obtener las participaciones de mercado de largo plazo se necesita un vector (Q)
de dimensión 1 × 4.
Q= q1 q2 q3 q4
Dado que el orden en las operaciones de matrices es relevante, continuando con la lógica en
la enumeración, q1 , q2 , q3 y q4 corresponden a las participaciones de mercado de largo plazo de
Entel, América Móvil, Telefónica y Viettel, respectivamente. Para proceder con la estimación
respectiva, se efectua algunas operaciones algebraicas a la ecuación 2 . De este modo, aplicando
transpuesta a ambos lados de la igualdad se tiene que:
Q×P=Q
(Q × P)0 = Q0
P0 × Q0 = Q0 .
q1 = 1 − q2 − q3 − q4
q2 = 1 − q1 − q3 − q4
(6)
q3 = 1 − q1 − q2 − q4
q4 = 1 − q1 − q2 − q3
Una manera alternativa y sencilla de solución es presentar este último resultado en forma de
producto de matrices.
0.7940 1.0512 1.0394 1.0323 q1 1
1.1013 0.8756 1.0533 1.0578 q2 1
1.0807 × =
1.0536 0.8896 1.0661 q3 1
1.0239 1.0195 1.0177 0.8438 q4 1
Premultiplicando, a ambos lados de la ecuación, por la matriz inversa de A (A−1 ), se tiene que:
A−1
4x4 × A4x4 × Q4x1 = A
−1
× 14x1
Q4x1 = A−1
4x4 × 14x1 ,
q1 −3.0222 0.8305 1.1027 1.2632 1
q2 0.6996 −3.8851 1.8181 1.7174 1
= ×
q3 1.2102 1.8527 −4.1928 1.4941 1
q4 1.3624 1.4520 1.5221 −4.2247 1
El desarrollo de esta última expresión permite obtener las participaciones de mercado de largo
plazo:
q1 0.174
q2 0.350
Q=
q3 = 0.364
q4 0.112
De este modo, se obtiene la participación de mercado de largo plazo para las cuatro opera-
doras más importantes del mercado móvil peruano. En efecto, la empresa operadora con mayor
participación serı́a Telefónica con un 36.4 %; seguido muy de cerca por América Móvil con
35.0 %. Más lejanamente, se encontrarı́an Entel y Viettel con participaciones de 17.4 % y 11.2 %,
respectivamente.
La aplicación de esta versión de las Cadenas de Markov requiere de al menos dos Matrices
de Transición de dos puntos contiguos en el tiempo. Dado que ya se cuenta con una Matriz de
Transición para el periodo de Marzo a Noviembre de 2018, se construye una matriz adicional
correspondiente al periodo anterior (Junio del 2017 a Febrero del 2018), el resultado se presenta
en la tabla a continuación:
5
Esta multiplicación es posible ya que cumplen con las condiciones de dimensión
Luego, la sustracción de las dos Matrices de Transición permite encontrar la variación respec-
tiva. Dicha variación se supone constante para el resto de periodos, con lo cual se puede estimar
nuevas Matrices de Transición para distintos periodos en adelante. Realizando dicha operación
se tiene ∆P:
−0.094165 0.045636 0.032179 0.016351
0.015101 −0.058805 0.029035 0.014669
∆P =
0.004488 0.013925 −0.031198 0.012785
0.002271 0.021923 0.037274 −0.061468
Dado que se cuenta con dos Matrices de Transición, para los fines del documento se utilizará el
promedio de ambas matrices.
5. Conclusión
El sector de telecomunicaciones se caracteriza por ser muy dinámico, tanto por la intensidad
competitiva que ejercen las empresas operadoras como por la aparición de nuevas tecnologı́as
sobre las que se brindan los servicios. A pesar de este dinamismo, muchas veces se requiere
predecir los valores que tendrı́an algunos indicadores relevantes en periodos posteriores, ası́
como la participación de mercado que las empresas operadoras tendrı́an en largo plazo.
De este modo, empleando las Cadenas de Markov homogéneas se estimaron las participa-
ciones de mercado de largo plazo: América Móvil (35.0 %), Telefónica del Perú (36.4 %), Entel
(17.4 %) y Viettel (11.2 %). Ası́, manteniéndose las actuales condiciones de mercado y el dinamis-
mo de la PNM, en el largo plazo aún se muestra una mayor participación por parte de Telefónica
del Perú y América Móvil.
Adicionalmente, se emplearon las Cadenas de Markov variantes en el tiempo con la finalidad
de predecir las participaciones de mercado en el corto plazo, tomando como información las
condiciones actuales que experimenta el mercado.
Referencias bibliográficas
[1] Ching, K. (2015). Market share modelling and forecasting using Markov Chains and alter-
native models. Recuperado el 04 de octubre del 2018 de goo.gl/uKaR8T.
[2] Hierro, M. & Guijarro, M. (2006). Un estudio mediante Cadenas de Markov de la dinámica
de los movimientos migratorios interterritoriales en España (1990-2003) desde un plantea-
miento de estimación dinámico. Recuperado el 05 de octubre del 2018 de goo.gl/Udth9L.
[3] Garrocho, C., Jiménez, E. & Álvarez, J. (1973). Modelando la migración interestatal de
México: cadenas de Markov estáticas versus Cadenas de Markov dinámicas con medias
móviles. Recuperado del 15 de octubre del 2018 de goo.gl/Pi9oKt.
[4] Gonewa, A., Godwin, U. & Ngaage, K. (2012). Dynamic Behavior in Customers’ Switching
and Market Share Analysis: The Markov Model Perspectives. Recuperado el 15 de octubre
del 2018 de https://bit.ly/2PflnA2.
[5] Mendoza, K., Hernández, V. & Romenge, R. (2012). Tendencias en el mercado de teléfonos
móviles en el segmento de estudiantes universitarios en México: una aplicación del modelo
de Markov. ITAM. México , D.F. Recuperado el 15 de octubre del 2018 de goo.gl/LUJ3C1.
[6] Tolver, A. (2016). An introduction to Markov Chains. Recuperado el 15 de octubre del 2018
de http://web.math.ku.dk/noter/filer/stoknoter.pdf